用于脑电事件相关电位检测的Deep-Match框架

《Sensors》:The Deep-Match Framework for Event-Related Potential Detection in EEG

【字体: 大 中 小 】 时间:2026年08月29日 来源:Sensors 4.0

编辑推荐:

  可靠的事件相关电位(ERP)在单试次水平上的检测仍面临挑战,原因是脑电图(EEG)记录中信号信噪比低、变异性高。本研究探讨了Deep-Match框架(Deep-MF)在ERP检测中的应用。研究人员检验了将ERP模板的先验知识纳入深度学习模型是否能提升检测性能。

  
可靠的事件相关电位(ERP)在单试次水平上的检测仍面临挑战,原因是脑电图(EEG)记录中信号信噪比低、变异性高。本研究探讨了Deep-Match框架(Deep-MF)在ERP检测中的应用。研究人员检验了将ERP模板的先验知识纳入深度学习模型是否能提升检测性能。作为概念验证研究,该框架在一个包含激光刺激期间多通道EEG记录的数据集上进行了评估。模型分两个阶段训练:首先,训练编码器-解码器架构以重建输入EEG信号,从而学习紧凑的信号表示;第二阶段,解码器被替换为检测模块,并对网络进行微调以进行ERP识别。评估了两种模型变体:一种采用随机初始化滤波器的标准模型,另一种采用ERP模板初始化输入核的Deep-MF模型。在留一验证中,评估了模型在单试次ERP检测任务上的性能,并与匹配滤波器检测器进行比较。神经网络模型优于匹配滤波器检测器,并显示Deep-MF模型在大多数留出受试者上略微优于采用标准核初始化的检测器。尽管两种方法都表现出显著的受试者间变异性,但Deep-MF的平均F1分数(0.37)高于标准网络(0.34),表明对跨受试者差异的鲁棒性有所提高。不同参与者的表现差异很大。Deep-MF获得的最佳性能达到F1分数0.71,超过了标准模型的最大分数(0.59)。这些结果表明,在受试者独立评估下,ERP信息化的核初始化为单试次ERP检测提供了改进。这些发现表明,将领域知识与深度学习架构相结合可以改善单试次ERP检测。所提出的方法为实际可穿戴EEG和被动脑-机接口应用,以及认知过程的实时监测提供了向前的步骤。
事件相关电位(ERP)是特定感觉、认知或运动事件诱发的脑响应,广泛用于注意研究、认知负荷评估、听力阈值估计以及多种神经疾病的辅助诊断。传统ERP分析通常需要对多次试验进行平均以提取特征,但单试次ERP检测对于脑-机接口(BCI)等实际应用至关重要,因为许多场景无法重复呈现刺激,且重复本身可能影响神经响应。然而,单试次水平下ERP信号的信噪比(SNR)低、变异性高,使得检测极具挑战。Deep-Match框架(Deep-MF)最初用于耳部心电信号中R峰的检测,本研究将其调整用于脑电(EEG)信号中的单试次ERP检测,并探索将ERP模板先验知识嵌入深度学习模型是否能提升检测性能。该论文发表于《Sensors》。

研究人员采用OpenNeuro数据库中的ds005284数据集(Lu等记录),包含26名年轻受试者(平均年龄21岁,18名女性)在激光刺激下的64导EEG记录。信号经1-40 Hz带通滤波、P9/P10平均重参考和独立成分分析(ICA)预处理。通过观察总平均ERP模板,选取C3、Cz、P4和C4四个中央电极作为输入通道。基于所有受试者的平均ERP构建模板,并用于初始化Deep-MF的输入核。模型分两阶段训练:首先训练编码器-解码器重构输入信号,学习紧凑表征;随后将解码器替换为检测器,使用加权二元交叉熵损失进行微调,以识别ERP事件时间。采用留一受试者交叉验证评估模型,与标准CNN及经典匹配滤波器进行比较,以F1分数为主要评价指标。对于每个受试者,检测到的峰值与真实事件时间比较,±30 ms容差内计为真阳性,其余为假阳性。

空间分布上,ERP响应主要集中于中央电极区,外周电极响应较弱。四个选定通道具有高SNR和明显的N2-P2复合波。在留一验证中,Deep-MF在多数受试者上的F1分数略高于标准网络,平均F1为0.37对0.34;传统匹配滤波器的平均F1仅为0.11。统计比较显示,Deep-MF相比基线具有更高的敏感性(p=0.0661,Cohen's d=0.22),而特异性相当,导致F1上升趋势(p=0.1208)。最佳个体表现:Deep-MF达到0.71,标准网络为0.59。但两种深度模型在受试者间变异性大,且受试者10上表现最差(F1=0.01),而匹配滤波器在该受试者上优于深度模型。

讨论指出,EEG中ERP幅度低于自发脑电,且模板跨受试者变异性高,导致Deep-MF性能低于在ECG R峰检测中的表现。激光诱发的高幅ERP有利于模板提取,但对低SNR认知任务需谨慎。个体差异来源众多,未来可采用个性化模板、强化学习自适应模板或设计多个匹配滤波器模板。数据增强(如基于周期平均的增强)可能改善每受试者仅16次事件的小样本问题。此外,Deep-MF的计算高效性使其可作为复杂算法的前置阶段,应用于可穿戴脑电和实时监测。

在本工作中,研究人员使用Deep-Match框架检测EEG信号中的事件相关电位。研究结果表明,Deep-MF模型比标准模型具有更高的敏感性。使用ERP模板初始化输入核提高了性能并增强了可解释性。单试次ERP检测可能为脑-机接口应用奠定基础,可穿戴EEG头带可实时估计精神负荷。进一步研究应优化预处理流程、采用自适应ERP模板、强化学习、调整网络架构以及数据增强技术来提高泛化性和减少过拟合。
相关新闻
生物通微信公众号
微信
新浪微博
  • 搜索
  • 国际
  • 国内
  • 人物
  • 产业
  • 热点
  • 科普

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号